申请/专利权人:南京航空航天大学
申请日:2020-09-29
公开(公告)日:2024-04-16
公开(公告)号:CN112288135B
主分类号:G06T7/00
分类号:G06T7/00;G06F30/20;G06F30/17;G06T7/62;F04D27/00;G06F119/04
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2021.02.23#实质审查的生效;2021.01.29#公开
摘要:本发明公开了一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法,步骤为:S1、搭建风扇叶片快速显微分析系统;S2、按照扫掠的方式分别拍摄新、旧风扇叶片的表面,得到不同叶片的完整显微照片;S3、分析显微照片,提取叶片表面的划痕、裂缝、凹坑的损伤特征;S4、对叶片表面损伤状态参数进行定量化;S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验;S6、获得叶片的疲劳极限数据;S7、基于小样本的人工智能算法,实现通过训练数据建立响应面的方法;S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法,得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。本发明可以快速预测叶片疲劳极限的衰减。
主权项:1.一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法,其特征在于,包括如下步骤:S1、搭建风扇叶片快速显微分析系统,对叶片表面不同区域的快速显微照片拍摄;S2、使用快速显微分析系统,按照扫掠的方式分别拍摄新、旧风扇叶片的表面,得到不同叶片的完整显微照片;S3、分析新、旧风扇叶片的显微照片,利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑的损伤特征;S4、对叶片表面损伤状态参数进行定量化,识别并统计划痕长度、凹坑面积、损伤方位参数,计算获得单位面积内划痕长度、单位面积内凹坑面积比定量参数;S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验;S6、获得不同表面状态叶片的疲劳极限数据;S7、基于小样本的人工智能算法,实现通过训练数据建立响应面的方法;S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法,得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。
全文数据:
权利要求:
百度查询: 南京航空航天大学 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。